در صنعت فولاد، تشخیص سریع و دقیق عیوب سطحی شمش‌ها اهمیت زیادی دارد. عیوب هندسی، سطحی و داخلی ممکن است از ترکیب مذاب، مشکلات قالب یا شرایط سرمایش ناشی شوند و کیفیت، استحکام و ثبات ابعادی محصول را کاهش دهند.
بینایی ماشین در خط تولید
یک سامانه بینایی ماشین از نورپردازی مناسب، دوربین، پردازش‌گر و لایه ارتباط با تجهیزات تشکیل می‌شود. بخش پردازش با تحلیل تصاویر در کسری از ثانیه، عیب را تشخیص می‌دهد و نتیجه را برای اقدام بعدی در اختیار خط قرار می‌دهد.
مدل‌های تشخیص شیء مانند YOLO و SSD را می‌توان برای عیوب ویژه هر خط آموزش داد. مسیر اجرا شامل تصویربرداری اولیه، نشانه‌گذاری و پیش‌پردازش داده، آموزش شبکه عصبی، نصب تجهیزات تصویربرداری و اتصال آن‌ها به کامپیوتر مرکزی است.
نتیجه برای کنترل کیفیت
- افزایش سرعت و دقت تشخیص عیوب
- کاهش هزینه و خطای کنترل دستی
- طبقه‌بندی یکنواخت‌تر محصولات
- فراهم‌شدن داده قابل استفاده برای بهبود فرایند
چه عیبی را می‌توان با تصویر سطحی دید؟
سامانه دوربین سطح شمش می‌تواند نشانه‌های قابل مشاهده مانند ترک سطحی، خراش، پوسته‌شدن یا تغییر شکل را بررسی کند. عیب داخلی که روی سطح اثر ندارد با تصویر معمولی قابل مشاهده نیست و ممکن است به روش آزمون غیرمخرب دیگری نیاز داشته باشد. پیش از خرید دوربین باید فهرست عیوب هدف، حداقل اندازه عیب، سرعت عبور شمش و هزینه هر خطای تشخیص مشخص شود.
طراحی تصویربرداری و برچسب‌گذاری
نورپردازی پایدار اغلب به اندازه انتخاب شبکه عصبی اهمیت دارد. تابش شدید، بخار، غبار، تغییر رنگ سطح و لرزش دوربین می‌توانند یک عیب واقعی را پنهان یا بافت سالم را شبیه عیب کنند. نمونه‌ها باید از شیفت‌ها، گریدهای فولاد و شرایط نوری مختلف جمع‌آوری شوند. متخصص کنترل کیفیت برای هر تصویر نوع عیب، محل آن و موارد مبهم را ثبت کند؛ اختلاف میان برچسب‌زن‌ها نیز باید بررسی شود.
اگر شمش‌های یک بچ در آموزش و آزمون پخش شوند، نتیجه آزمون بیش از حد خوش‌بینانه خواهد شد. بهتر است داده بر اساس زمان تولید و بچ جدا شود و دوره‌ای جدید برای آزمون نهایی نگه داشته شود. مدل تشخیص شیء را می‌توان با روش ساده‌تر پردازش تصویر و با بازرسی انسانی مقایسه کرد. هدف این نیست که فقط یک عدد mAP بالا باشد؛ نرخ از دست دادن عیب مهم، هشدار کاذب در هر شیفت و زمان پاسخ برای خط اهمیت دارند.
اتصال نتیجه به تصمیم عملیاتی
مدل باید محل و نوع عیب را همراه تصویر اصلی به اپراتور نشان دهد. برای عیوب پرخطر یا اطمینان پایین، تصمیم انسانی حفظ شود. ثبت نتیجه نهایی بازرسی و سرنوشت محصول، داده لازم برای بازآموزی را می‌سازد. تغییر دوربین، نور یا فرایند نیز باید آزمون مجدد مدل را فعال کند. بدون این حلقه بازخورد، دقت روز اول تضمین عملکرد ماه‌های بعد نیست.
برای بررسی محدودیت‌های عمومی مدل‌های صنعتی، راهنمای پیش‌بینی داده صنعتی را ببینید. چارچوب NIST برای هوش مصنوعی در تولید هوشمند نیز بر کیفیت داده، یکپارچه‌سازی و پایش قابلیت اعتماد تأکید می‌کند.